CN107667381B

CN107667381B - 使用非线性和非负稀疏表示的医学模式分类

Info

Publication number: CN107667381B
Application number: CN201580080661.2A
Authority: CN
Inventors: H.阮; S.K.周
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthcare GmbH
Priority date: 2015-06-04
Filing date: 2015-06-04
Publication date: 2022-02-11
Anticipated expiration: 2035-06-04
Also published as: US10410093B2; WO2016195683A1; CN107667381A; EP3304425A1; US20180137393A1

Abstract

一种使用非线性稀疏表示来对信号进行分类的方法包括基于多个训练信号来学习多个非线性字典，每个相应的非线性字典对应于多个类别标签中的一个。针对多个非线性字典中的每一个在测试信号上执行非线性稀疏编码过程，由此将多个非线性字典中的每一个与测试信号的不同稀疏编码相关联。针对包括在多个非线性字典中的每个相应的非线性字典，使用测试信号和与相应的非线性字典相对应的不同稀疏编码来测量重建错误。识别与多个非线性字典中的针对重建错误的最小值相对应的特定非线性字典，并且将与特定非线性字典相对应的类别标签分配给测试信号。

Description

使用非线性和非负稀疏表示的医学模式分类

技术领域

本公开一般涉及用于医学分类的方法、系统和装置，其中非线性和非负稀疏表示被用于将分类标签分配给测试信号。所公开的技术可以被应用于例如磁共振（MR）图像的分类。

背景技术

在医学科学中，模式分类是用于计算机辅助诊断（CAD）系统的基础。CAD系统自动扫描医学图像数据（例如，经由诸如X射线、MRI或超声的成像模态收集），并识别可能指示疾病的明显结构和部分。传统上，分类通常使用诸如支持向量机（SVM）、推进、和神经网络之类的流行方法来完成。这些都是判别式方法，因为它们的目标函数直接与分类错误有关。但是，判别式分类器对数据损坏很敏感。他们的训练在面对缺乏训练样本时也容易过度拟合（over-fitting）。

最近，基于稀疏表示（SR）的分类已经获得了来自跨越诸如信号处理、计算机视觉和机器学习的不同团体的研究人员的显著兴趣。这是由于其对不同类型的噪声具有优越的鲁棒性。例如，SR框架能够通过利用这些人造品通常在像素基础方面是稀疏的属性来处理闭塞和腐败。分类通常是通过首先学习针对每个模式类别的良好稀疏表示来完成的。用于学习稀疏表示的有效算法的一些示例是最佳方向、KSVD、和在线字典学习的方法。给定每个稀疏表示，通过计算最大似然函数对测试样本进行分类。已经示出，这种方法在许多实际应用中胜过了判别式方法的现有技术。

虽然SR对于CAD应用保持很大的希望，但是它们有一些可以得到改善的缺点。特别而言，由基于SR的系统传统上采用的线性模型通常不足以表示与医学成像的复杂基础物理学相关联的非线性信息。例如，造影剂和计算机断层摄影中剂量的变化非线性地改变所得图像的外观。医学图像也遭受诸如旋转和形状变形的其他常见的非线性变化源。传统的稀疏表示框架将需要更大量的字典原子来准确地表示这些非线性效应。这反过来又需要大量的训练样本，训练样本的收集可能是昂贵的——尤其是对于内侧环境。

发明内容

本发明的实施例通过提供使用非线性和非负稀疏表示来执行医疗模式分类的方法、系统和装置来解决和克服上述缺点和不足中的一个或多个。这种技术尤其极好适用于但绝不限于诸如磁共振成像（MRI）之类的成像模态。

根据一些实施例，一种使用非线性稀疏表示来对信号进行分类的方法包括基于训练信号来学习非线性字典，每个相应的非线性字典对应于类别标签中的一个。针对非线性字典中的每一个在测试信号上执行非线性稀疏编码过程，由此将非线性字典中的每一个与测试信号的不同稀疏编码相关联。针对包括在非线性字典中的每个相应的非线性字典，使用测试信号和与相应的非线性字典相对应的不同稀疏编码来测量重建错误。识别与非线性字典中的针对重建错误的最小值相对应的非线性字典，并且将与特定非线性字典相对应的类别标签分配给测试信号。在一些实施例中，该方法还包括利用类别标签的指示来显示与测试信号相对应的图像。

在不同的实施例中，可以对上述方法进行各种增强或其他修改。例如，在一些实施例中，该方法还包括在构建非线性字典之前裁剪训练信号的子集。例如，可以通过识别相应训练信号中的感兴趣区域并丢弃相应训练信号的在感兴趣区域外的部分来执行该裁剪。在一些实施例中，训练信号包括解剖图像，并且该方法还包括基于用户供应的感兴趣解剖区域的指示来识别相应训练信号中的感兴趣区域。在一些实施例中，在学习期间将非负约束应用于非线性字典。例如，可以将非负约束应用于在非线性稀疏编码过程期间与每个非线性字典相关联的测试信号的不同稀疏编码。在一些实施例中，训练信号和测试信号各自包括使用磁共振成像所采集的k-空间数据集。前述方法中描述的类别标签可以包括对在测试信号中描绘的感兴趣解剖区域中存在的疾病的指示。

根据其他实施例，使用非线性稀疏表示来对信号进行分类的第二方法包括：接收非线性字典（每个相应的非线性字典对应于类别标签中的一个）并且使用磁共振成像设备来获取对象的测试图像数据集。针对非线性字典中的每一个在测试图像数据集上执行非线性稀疏编码过程，由此将非线性字典中的每一个与测试图像数据集的不同稀疏编码相关联。接下来，针对包括在非线性字典中的每个相应的非线性字典，使用测试图像数据集和与相应的非线性字典相对应的不同稀疏编码来测量重建错误。识别与非线性字典之中的针对重建错误的最小值相对应的特定非线性字典。然后，基于与特定非线性字典相对应的特定类别标签向测试图像数据集提供针对所述对象的临床诊断。在一些实施例中，该方法还包括与临床诊断同时显示测试图像数据集。

上述使用非线性稀疏表示对信号进行分类的第二方法可以包括在不同实施例中的附加特征。例如，在一些实施例中，该方法包括其中使用优化过程来基于训练图像来学习非线性字典的步骤。该方法还可以包括在使用优化过程之前（例如，通过识别图像中的感兴趣区域并丢弃该区域之外的部分）裁剪训练图像的子集。在一些实施例中，优化过程在学习期间将非负约束应用于非线性字典。例如，可以将非负约束应用于在非线性稀疏编码过程期间与每个非线性字典相关联的测试图像数据集的不同稀疏编码。

根据其它实施例，用于对用于临床诊断的图像数据进行分类的系统包括被配置为获取对象的测试图像数据集的成像设备和图像处理计算机。图像处理计算机被配置为接收非线性字典（每个相应的非线性字典对应于类别标签中的一个），并且针对非线性字典的每一个在测试图像数据集上执行非线性稀疏编码过程，从而将非线性字典中的每一个与测试图像数据集的不同稀疏编码相关联。图像处理计算机还被配置为使用测试图像数据集和与相应的非线性字典相对应的不同稀疏编码来针对包括在非线性字典中的每个相应的非线性字典测量重建错误。图像处理计算机识别与非线性字典之中的针对重建错误的最小值相对应的特定非线性字典，并基于与特定非线性字典相对应的特定类别标签向测试图像数据集生成针对对象的临床诊断。在一些实施例中，前述系统还包括被配置为呈现针对对象的临床诊断的显示器。

在上述系统的一些实施例中，图像处理计算机还被配置为执行优化过程以基于训练图像来学习非线性字典。另外，在一些实施例中，图像处理计算机还被配置为将非负约束应用于非线性稀疏编码过程和优化过程。

从参照附图进行的对说明实施例的以下详细描述中，本发明的附加特征和优点将变得显而易见。

附图说明

当结合附图阅读时可以从以下详细描述中最好地理解本发明的前述和其它方面。为了说明本发明的目的，在附图中示出了目前优选的实施例，但是应该理解的是，本发明不限于所公开的具体手段。包括在附图中的是下面的图：

图1提供了根据一些实施例的用于使用非线性和非负稀疏表示来执行医学模式分类的系统的概览；

图2提供了根据一些实施例的非线性稀疏编码和字典学习过程；

图3图示了可以在一些实施例中实现的使用非线性字典进行分类的过程；

图4提供了根据一些实施例的当非线性稀疏表示可以应用于MRI图像的分类时关于使用非线性稀疏表示的方法医学模式分类的附加细节；

图5示出了被提供以图示出关于本文所描述的不同方法的分类准确度的比较的表格；

图6提供了根据本文所描述的一个示例应用的从数据中学习的一些字典原子的图示；

图7提供了本文所描述的不同方法之间的分类准确度的比较；和

图8图示出了可以在其中实现本发明的实施例的示例性计算环境。

具体实施方式

本文描述了系统、方法和装置，其通常涉及使用非线性和非负稀疏表示的医学模式分类。简而言之，本文呈现了利用稀疏表示以用于特征提取和分类二者的框架和对应技术。所描述的技术是生成性的、但却显著胜过了它们的判别式对手。特别而言，这些技术证明了如何学习非线性稀疏表示。另外，在一些实施例中，这些技术允许对稀疏系数强制实施积极性约束的可能性。

图1提供了根据一些实施例的用于使用非线性和非负稀疏表示来执行医学模式分类的系统100的概览。简言之，图1中所图示的系统100包括图像处理计算机115，图像处理计算机115可操作地耦合到成像设备105，成像设备105获取对象的信号。在图1的示例中，成像设备105是磁共振成像（MRI）设备，然而应当理解，在不同的实施例中可以可替代地使用其他成像设备。图像处理计算机115基于从训练数据库120检索的训练信号来创建用于类别标签的字典。基于这些字典，图像处理计算机115可以根据一个或多个类别标签来对从成像设备105获取的信号进行分类。用户接口计算机110将参数提供给图像处理计算机115，图像处理计算机115帮助指导字典学习和分类过程。另外，图像处理计算机115可以在用户接口计算机110上输出所获取的信号连同任何生成的分类标签。

图像处理计算机115被配置为执行利用稀疏表示以用于特征提取和分类二者的框架。为了用公式表示该问题，令

成为从

到点积空间

的非线性变换。图像处理计算机115从训练数据库120检索训练信号并形成矩阵Y，矩阵Y的列是检索到的训练信号。应该注意，数据库检索只是训练信号可以被图像处理计算机115接收的一种方式。在其他实施例中，例如，用户可以直接将它们上传到图像处理计算机115。

为了学习数据中的非线性，可以将Y的每列变换到另一个希尔伯特空间上，其中非线性结构可以使用简单的欧几里德几何来表示。令

成为从从

到点积空间

的非线性变换。学习在变换的空间中的稀疏表示的问题然后可以构成如下：

（1）

系数X上的11范数正则化促进了优化中的稀疏性。对于某些

,与等式1对应的最佳稀疏表示具有以下形式：

（2）

换句话说，字典原子位于已变换信号的范围内。这允许以替换的方式重写等式1。可以通过相对于系数矩阵A代替D来将目标函数最小化来找到最佳稀疏表示：

（3）

注意，与等式（1）不同，等式（3）并不明确地取决于变换Φ（.），而是取决于引入的核矩阵

（4）

这消除了将信号明确映射到高维非线性空间的需要，并且因此使计算更可行。更具体地说，优化（3）中的目标函数更有效率，因为它只涉及有限维的核矩阵

，而不是处理等式1中的可能无限维的字典。

图像处理计算机115可以以迭代的方式优化（3）中的目标函数。注意，可以使用Nystrom方法来有效地近似等式4中所示的引入的核矩阵。当稀疏系数被固定时，可以经由A将字典更新如下：

（5）

类似地，当字典被固定时，（3）中的目标函数相对于系数矩阵X变凸，并且可以使用诸如例如近似优化和迭代收缩的专门稀疏编码方法来有效地解决。在一些实施例中，添加了积极性约束，即X> 0。然而，即使在这些实施例中，目标函数仍然是凸的，并且还可以使用同样的这些技术来完成稀疏编码。

图2提供了根据一些实施例的可以由字典学习组件115A执行的非线性稀疏编码和字典学习过程200。在步骤205处，例如分别从训练数据库120和用户接口计算机110接收一组训练信号Y、常数系数λ和非线性核函数K。接下来，通过优化（3）中的成本函数来学习由系数矩阵A表示的核字典。在步骤210处，对A的每一列进行初始化。在一些实施例中，将A的每一列随机地初始化为在随机位置处仅具有一个非零系数。

在步骤215处，假定A是固定的，针对X求解等式3。在一些实施例中，可以添加对X的非负约束。由于当固定A时问题变凸，因此可以使用本领域中通常已知的任何凸优化工具箱来获得解决方案。接下来，在步骤220处，当使用等式5来固定X时，针对A求解等式3。然后，在步骤225处，将核字典的每一列归一化为单位范数。重复步骤215-225直到收敛。这个过程的结果是由A表示的核字典。

图3图示了在一些实施例中可以由分类组件115B实现的使用非线性字典进行分类的过程300。在步骤305处，例如分别从成像设备105和用户接口计算机110接收测试信号z、常数系数λ、非线性核函数K。另外，字典学习组件115A为每个类别所生成的字典矩阵A被装配。

接下来，将信号z分类到所述类别之一中。在步骤310处，通过优化等式3并用类别特定的字典A_i代替A来求解每个类别的稀疏系数x_i。在步骤315处，确定针对所有类别的重建错误（即，第i类别的字典将测试信号z重建得如何）。这些错误可以根据以下等式计算：

（6）

然后，在步骤320处，将z的标签分配为具有最小重建错误的类别的标签。

图4提供了根据一些实施例的当非线性稀疏表示可以应用于MRI图像的分类时关于使用非线性稀疏表示的方法400医学模式分类的附加细节。可以将该方法划分为两个一般操作：使用训练数据创建字典并使用字典来执行医学模式分类。在步骤405处开始，接收一组训练数据。该训练数据包括使用MRI成像设备（例如，图1中的成像设备105）所获取的已标记的一组图像Y。在一些实施例中，为各种成像模态生成字典。因此，稍后在分类步骤期间，系统可以足够灵活以能够响应任何类型的测试图像。应用于各个相应图像的标签被用来将图像分类到一个类别中。例如，基于成像的解剖部分和被分类的病理特征，类别类型将变化。在某些情况下，可以采用原始标签策略。例如，可以将大脑的3D MRI图像标记为“异常”或“正常”。在其他实施例中，可以使用更详细的标记策略。继续前面的示例，可以将大脑图像标记为具有指示阿尔茨海默病的标记。应该指出，分类的鲁棒性将直接取决于标签的鲁棒性。因此，在一些实施例中，一旦在305处接收到训练图像，就可以用更详细的信息手动标记它们以允许更全面的学习。

继续参照图4，在步骤410处，将训练集合中接收到的每个已标记图像向量化。可以例如通过将图像数据的多维信号重新整形成单维向量来执行向量化。在一些实施例中，如果图像的大小大于（例如，由用户设置的）预定义阈值，则可以在向量化之前裁剪或扫描图像数据以减小大小并聚焦在感兴趣的区域上。一旦已将每个图像向量化，则在步骤415处，使用该组训练示例从针对每个类别的Φ(Y)中学习非线性字典Φ(D)。可选地，在D的学习期间可以并入非负约束。应该注意，如果用非负约束来学习字典，那么在测试空间中也应当使用非负约束，如下面所描述的。

在步骤420和425处，例如以类似于以上关于步骤305和310所讨论的方式的方式来接收测试图像y _test并对其进行向量化。然后，在步骤430处，通过针对每个类别优化以下等式来执行非线性稀疏编码。

在一些实施例中，可以将非负约束应用于x _test——如果在步骤315处的训练期间使用这样一个约束。可以经由双凸优化过程来优化图4，如以上关于图3所描述的。在步骤435处，根据以下等式针对每个类别确定重建错误r：

然后在步骤440处，从具有在步骤435处所确定的最小重建错误的类别中分配标签。在一些实施例中，将标签与测试图像一起在显示器上呈现以允许诊断——例如在临床环境中。

为了说明本文所描述的医学分类技术，针对20个MR顶点图像学习稀疏表示。有5970张图像（来自138位患者）用于训练并且有1991张图像（来自46位患者）用于测试。图像分辨率为32×32像素。另外，图像被均匀旋转以从一个正样本生成10个样本。负样本不旋转，而采样更多以匹配正样本的数量。总共有119,400个训练样本。对于每个类别（即，正和负），以设置为0.3的稀疏正则化来学习5000个原子的字典。给定一个新的测试样本，在所有字典上执行稀疏编码，并计算它们相应的残差。样本被分配具有最小残差的类别标签。注意，在一些实施例中，可以将残差与稀疏码组合以改善性能。在图5中提供的表格500示出了不同方法之间的分类准确度比较。有趣的是，稀疏方法尽管是自然生成的，但是比像支持向量机（SVM）的其他判别式方法胜出显著裕度。图6提供了从数据中学习的一些字典原子600的图示，其清楚地捕获顶点图像的有意义结构。

此外，在更具挑战性的数据集上评估基于稀疏表示的分类方法。这个数据集包含具有既连续又分类的变量的超过120个患者的记录。目标是基于患者的健康状况和他/她的记录中指示的医疗干预来预测再狭窄的风险。针对这个问题的成功解决方案，即更高的分类准确性，将使医生能够为他们的患者设计更个性化的治疗。数据集中的4000个样本被平均分开以用于训练和测试。图7提供了示出不同方法之间的分类准确度的比较的表格700。可以注意到，在稀疏系数上具有非负约束的稀疏分类胜出了判别式方法。在顶点数据集和再狭窄数据集上的这两个实验均清楚地证明了我们的基于稀疏表示的分类方法的优点。

图8图示出了可以在其中实现本发明的实施例的示例性计算环境800。例如，这个计算环境800可以被用来实现图2-图4中所描述的图像重建的过程200、300和400。在一些实施例中，计算环境800可以用于实现图1的系统100中所图示的组件中的一个或多个。计算环境800可以包括计算机系统810，计算机系统810是可以在其上实现本发明的实施例的计算系统的一个示例。诸如计算机系统810和计算环境800之类的计算机和计算环境对于本领域技术人员来说是已知的，并且因此在这里简要描述。

如图8中所示，计算机系统810可以包括诸如总线821之类的通信机制或用于在计算机系统810内传送信息的其他通信机制。计算机系统810还包括与总线821耦合的用于处理信息的一个或多个处理器820。处理器820可以包括一个或多个中央处理单元（CPU）、图形处理单元（GPU）或本领域已知的任何其它处理器。

计算机系统810还包括耦合到总线821的系统存储器830，用于存储要由处理器820执行的指令和信息。系统存储器830可以包括易失性和/或非易失性存储器形式的计算机可读存储介质，诸如只读存储器（ROM）831和/或随机存取存储器（RAM）832。系统存储器RAM832可以包括其他动态存储设备（例如，动态RAM、静态RAM和同步DRAM）。系统存储器ROM 831可以包括（一个或多个）其他静态存储设备（例如，可编程ROM、可擦除PROM和电可擦除PROM）。另外，系统存储器830可以用于在处理器820执行指令期间存储临时变量或其它中间信息。包含基本例程的基本输入/输出系统（BIOS）833可以存储在ROM 831中，所述基本例程诸如在启动期间帮助在计算机系统810内的元件之间传送信息。RAM 832可以包含可由处理器820立即访问和/或当前正在操作的数据和/或程序模块。系统存储器830可以另外包括例如操作系统834、应用程序835、其他程序模块836和程序数据837。

计算机系统810还包括耦合到总线821的盘控制器840，以控制用于存储信息和指令的一个或多个存储设备，诸如硬盘841和可移动介质驱动器842（例如，软盘驱动器、光盘驱动器、磁带驱动器和/或固态驱动器）。可以使用适当的设备接口（例如小型计算机系统接口（SCSI）、集成设备电子设备（IDE）、通用串行总线（USB）或火线）将存储设备添加到计算机系统810。

计算机系统810还可以包括耦合到总线821的显示控制器865，以控制用于向计算机用户显示信息的诸如阴极射线管（CRT）或液晶显示器（LCD）的显示器866。计算机系统包括输入接口860以及用于与计算机用户交互并向处理器820提供信息的诸如键盘862和指向设备861的一个或多个输入设备。指向设备861例如可以是鼠标、轨迹球或指向杆，用于向处理器820传送方向信息和命令选择以及用于控制显示器866上的光标移动。显示器866可以提供触摸屏接口，其允许输入以补充或替代由指向设备861对方向信息和的命令选择的传送。

响应于处理器820执行诸如系统存储器830的存储器中包含的一个或多个指令的一个或多个序列，计算机系统810可以执行本发明实施例的部分或全部处理步骤。可以从诸如硬盘841或可移动介质驱动器842的另一个计算机可读介质将这样的指令读入到系统存储器830中。硬盘841可以包含由本发明的实施例使用的一个或多个数据存储和数据文件。可以对数据存储内容和数据文件进行加密以提高安全性。还可以在多处理布置中采用处理器820来执行包含在系统存储器830中的一个或多个指令序列。在替代实施例中，可以代替软件指令或与软件指令组合地使用硬连线电路。因此，实施例不限于硬件电路和软件的任何特定组合。

如上所述，计算机系统810可以包括至少一个计算机可读介质或存储器，用于保存根据本发明实施例所编程的指令并且用于包含本文所描述的数据结构、表格、记录或其他数据。本文所使用的术语“计算机可读介质”是指参与向处理器820提供指令以供执行的任何介质。计算机可读介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘，诸如硬盘841或可移动介质驱动器842。易失性介质的非限制性示例包括动态存储器，诸如系统存储器830。传输介质的非限制性示例包括同轴电缆、铜线和光纤，包括构成总线821的导线。传输介质还可以采取诸如在无线电波和红外数据通信期间产生的那些之类的声波或光波的形式。

计算环境800可以进一步包括使用到诸如远程计算机880的一个或多个远程计算机的逻辑连接在联网环境中操作的计算机系统810。远程计算机880可以是个人计算机（膝上型或台式）、移动设备、服务器、路由器、网络PC、对等设备或其他公共网络节点，并且通常包括上面关于计算机系统810描述的许多或全部元件。当在联网环境中使用时，计算机系统810可以包括用于通过诸如因特网的网络871来建立通信的调制解调器872。调制解调器872可以经由用户网络接口870或者经由另一适当的机制来连接到总线821。

网络871可以是本领域通常已知的任何网络或系统，包括因特网、内联网、局域网（LAN）、广域网（WAN）、城域网（MAN）、直接连接或一系列连接、蜂窝电话网络或者能够促进计算机系统810与其他计算机（例如，远程计算机880）之间的通信的任何其他网络或介质。网络871可以是有线的、无线的或其组合。可以使用以太网、通用串行总线（USB）、RJ-11或本领域中通常已知的任何其他有线连接来实现有线连接。可以使用Wi-Fi、WiMAX和蓝牙、红外、蜂窝网络、卫星或本领域中通常已知的任何其它无线连接方法来实现无线连接。另外，多个网络可以单独工作或者彼此通信以促进网络871中的通信。

本公开的实施例可以用硬件和软件的任意组合来实现。另外，可以将本公开的实施例包括在具有例如计算机可读非暂时介质的制品（例如，一个或多个计算机程序产品）中。介质在其中体现了例如用于提供和促进本公开实施例的机制的计算机可读程序代码。制品可以作为计算机系统的一部分而被包括或者可以被单独出售。

虽然本文已经公开了各个方面和实施例，但是其他方面和实施例对于本领域技术人员将是显而易见的。本文所公开的各个方面和实施例是为了说明的目的而不旨在限制，真正的范围和精神由以下权利要求来指示。

如本文所使用的，可执行应用包括代码或机器可读指令，用于调节处理器来例如响应于用户命令或输入而实现诸如操作系统、上下文数据获取系统或其他信息处理系统的那些功能之类的预定功能。可执行过程是用于执行一个或多个特定过程的代码段或机器可读指令、子例程或其他不同的代码段或可执行应用的一部分。这些过程可以包括接收输入数据和/或参数、对接收到的输入数据执行操作和/或响应于接收到的输入参数执行功能、并提供结果的输出数据和/或参数。

如本文所使用的图形用户接口（GUI）包括一个或多个显示图像，其由显示处理器生成并且使用户能够与处理器或其他设备以及相关联的数据获取和处理功能进行交互。GUI还包括可执行程序或可执行应用。可执行程序或可执行应用调节显示处理器以生成表示GUI显示图像的信号。将这些信号供应给显示设备，显示设备显示图像以供用户观看。处理器在可执行程序或可执行应用的控制下，响应于从输入设备接收的信号来操纵GUI显示图像。以这种方式，用户可以使用输入设备来与显示图像交互，这使用户能够与处理器或其他设备交互。

本文的功能和处理步骤可以自动地或全部地或部分地响应于用户命令而被执行。响应于一个或多个可执行指令或设备操作而自动地执行活动（包括步骤），而无需用户直接发起活动。另外，尽管为了易于理解而将一些方法步骤描述为分开的步骤，但是任何这样的步骤不应该被解释为必须在其性能上是不同的也不应该被解释为依赖于顺序的。

附图的系统和过程并不是唯一的。可以根据本发明的原理导出其他系统、过程和菜单以实现相同的目标。虽然已经参考特定实施例描述了本发明，但是应当理解，本文所示出和描述的实施例和变型仅用于说明的目的。在不偏离本发明的范围的情况下，本领域技术人员可以实现对当前设计的修改。如本文所描述的，可以使用硬件组件、软件组件和/或其组合来实现各种系统、子系统、代理、管理器和过程。本文中的权利要求元素不应根据美国法典第35卷第112条第六段来解释，除非使用短语“用于......的装置”来明确地叙述该要素。

Claims

1.一种使用非线性稀疏表示来对信号进行分类的方法，所述方法包括：

基于多个训练信号来学习多个非线性字典和多个相应稀疏编码，其中（i）每个相应的非线性字典对应于多个类别标签中的一个和（ii）在学习期间将非负约束应用于稀疏编码；

针对所述多个非线性字典中的每一个在测试信号上执行非线性稀疏编码过程，由此将所述多个非线性字典中的每一个与所述测试信号的不同稀疏编码相关联，其中将非负约束应用于在非线性稀疏编码过程期间与多个非线性字典的每个相关联的测试信号的不同稀疏编码的每个值；

对于包括在多个非线性词典中的每个相应的非线性字典，测量重建误差，其中，用于每个非线性字典的重建误差为（a）测试信号的非线性变换与（b）非线性字典与和该非线性字典相关联的不同稀疏编码的乘积之间的差的矩阵范数；

识别与所述多个非线性字典之中的针对所述重建误差的最小值相对应的特定非线性字典；以及

将与所述特定非线性字典相对应的类别标签分配给所述测试信号。

2.根据权利要求1所述的方法，还包括：

在构建所述多个非线性字典之前，裁剪所述多个训练信号的子集。

3.根据权利要求2所述的方法，其中，通过以下操作来裁剪包括在所述多个训练信号的子集中的每个相应测试信号：

识别相应训练信号中的感兴趣区域；和

丢弃相应训练信号的在所述感兴趣区域外的部分。

4.根据权利要求3所述的方法，其中，所述多个训练信号包括多个解剖图像，并且所述方法还包括：

基于用户供应的感兴趣解剖区域的指示来识别相应训练信号中的所述感兴趣区域。

5.根据权利要求1所述的方法，其中，所述多个训练信号和所述测试信号各自包括使用磁共振成像所获取的k空间数据集。

6.根据权利要求5所述的方法，其中，所述分类标签包括对在所述测试信号中描绘的感兴趣解剖区域中存在的疾病的指示。

7.根据权利要求1所述的方法，还包括：

利用所述分类标签的指示来显示对应于所述测试信号的图像。

8.一种使用非线性稀疏表示对信号进行分类的方法，所述方法包括：

接收多个非线性字典，每个相应的非线性字典对应于多个类别标签中的一个；

使用磁共振成像设备获取对象的测试图像数据集；

针对所述多个非线性字典中的每一个在所述测试图像数据集上执行非线性稀疏编码过程，从而将所述多个非线性字典中的每一个与所述测试图像数据集的不同稀疏编码相关联，其中将非负约束应用于在非线性稀疏编码过程期间与多个非线性字典的每个相关联的测试信号的不同稀疏编码的每个值；

识别与所述多个非线性字典之中的针对所述重建误差的最小值相对应的特定非线性字典；

向所述测试图像数据集识别与所述特定非线性字典相对应的特定类别标签。

9.根据权利要求8所述的方法，还包括：

使用优化过程来基于多个训练图像来学习所述多个非线性字典。

10.根据权利要求9所述的方法，还包括：

在使用所述优化过程之前，裁剪所述多个训练图像的子集。

11.根据权利要求10所述的方法，其中，通过以下步骤来裁剪包括在所述多个训练图像的子集中的每个相应测试图像数据集：

识别在所述多个训练图像的所述子集中的感兴趣区域；和

丢弃所述多个训练图像的所述子集的在感兴趣区域外的部分。

12.根据权利要求11所述的方法，其中，所述方法进一步包括：

基于用户供应的感兴趣解剖区域的指示来识别所述相应训练图像中的所述感兴趣区域。

13.根据权利要求8所述的方法，还包括：

与临床诊断同步地显示所述测试图像数据集。

14.一种对用于临床诊断的图像数据进行分类的系统，所述系统包括：

被配置为获取对象的测试图像数据集的成像设备；和

图像处理计算机，所述图像处理计算机被配置为：

接收多个非线性字典，每个相应的非线性字典对应于多个类别标签中的一个，

针对所述多个非线性字典的每一个在所述测试图像数据集上执行非线性稀疏编码过程，从而将所述多个非线性字典中的每一个与所述测试图像数据集的不同稀疏编码相关联，其中将非负约束应用于在非线性稀疏编码过程期间与多个非线性字典的每个相关联的测试信号的不同稀疏编码的每个值；

识别与多个非线性字典之中的针对所述重建误差的最小值相对应的特定非线性字典；和

向所述测试图像数据集识别与所述特定非线性字典相对应的特定类别标签；和

被配置为呈现特定类别标签的显示器。

15.根据权利要求14所述的系统，其中，所述图像处理计算机还被配置为执行优化过程以基于多个训练图像来学习所述多个非线性字典。

16.根据权利要求15所述的系统，其中，所述图像处理计算机还被配置为将非负约束应用于所述非线性稀疏编码过程和所述优化过程。